Apr, 2024

验证深度学习天气预报模型在近期高影响极端事件上的准确性

PDF
TL;DR深度学习天气预测模型的预测准确性正在迅速提高，但仍存在需求，需要综合评估这些新兴技术的全面性。通过对比三个案例研究，我们发现机器学习的天气预测模型在创纪录的极端天气事件中可能能够达到与高分辨率天气预测系统相似的准确性，但其在极端条件下的外推能力可能比后者更受影响。这些研究可以为现有研究提供补充，增加公众信任，并有助于开发可靠的机器学习天气预测模型。
deep-learning-based weather prediction modelsforecast accuracybenchmark datasetsextreme eventsml weather prediction models
发现论文，激发创造
  • 极端天气事件中的深度学习技术综述

    深度学习在极端天气事件预测和理解领域有着潜在的应用，本文对其在雷暴、闪电、降水、干旱、热浪、寒潮和热带气旋等天气预报的各个方面的运用进行了综述，强调了深度学习捕捉复杂模式和非线性关系的潜力，同时讨论了当前方法的局限性和未来的进展方向，该综述为科学界了解并减轻极端天气事件的影响提供了重要见解。

    Aug, 2023

  • 富西 - 极端：基于扩散模型改进极端降雨和风力预报

    机器学习在天气预报领域取得了显著进展，其中 FuXi 模型及其改进版 FuXi-Extreme 在预测极端天气事件方面表现出色，但面临着预报提前时间增加时预测结果变得平滑从而低估极端天气事件强度的普遍挑战。

    Oct, 2023

  • 数据驱动的天气预报模型的局限性

    在天气与气候预测领域，机器学习（ML）正对传统基于物理模型的预测模型提供有力的挑战，并取得了更高的预测准确性。本研究通过对当前 ML 模型中 Pangu-Weather 预测的准确性和物理一致性进行考察，发现相比于基于物理模型的预测，ML 模型在准确性指标上的优势主要是由于其独特性而产生的。此外，ML 模型在特定的预测应用中与传统数值天气预报输出具有协同作用，并且在实际应用中具有极低的计算成本，因此能够为预测信息提供一种有价值的额外来源。

    Sep, 2023

  • 未来技术对未来的预测：大型气象模型的进展

    该论文回顾了大型模型，尤其是采用深度学习技术的模型在天气预报中的进展和应用，强调它们在改善传统预报方法方面的作用。这些模型利用卷积神经网络（CNN）、图神经网络（GNN）和 Transformer 等先进的神经网络架构来处理各种气象数据，提高了各种时间尺度和空间分辨率上的预测准确性。论文还讨论了该领域的挑战，包括数据获取和计算需求，并探索了模型优化和硬件进展的未来机会。它强调了人工智能与传统气象技术的整合，承诺提高天气预报准确性，并在应对与气候相关的挑战方面做出重要贡献。这种协同作用将大型模型置于气象预报不断发展的前沿地位。

    Apr, 2024

  • 高分辨率全球降水预测的生成建模

    本研究使用生成对抗网络（GAN）优化了一种最先进的深度学习降水模型（FourCastNet），从而能更有效地捕捉极端百分位的全球降雨量，预测准确率优于其他数值天气模型。

    Oct, 2022

  • ExtremeCast：全球天气预报中的极值预测提升

    基于机器学习的数据驱动天气预报在全球中期预报方面表现出优于传统基于物理的动力模型的快速发展和卓越性能。通过数学分析，我们证明了使用对称损失如均方误差（MSE）会导致偏差预测和极值低估。为了解决这个问题，我们引入了 Exloss，一种执行非对称优化并突出显示极值以获得准确极端天气预报的新型损失函数。此外，我们引入了一种无需训练的极值增强策略 ExEnsemble，它增加了像素值的方差并提高了预报的鲁棒性。结合先进的全球天气预报模型，广泛的实验表明我们的解决方案在极端天气预测方面可以达到与顶级中期预报模型相当的准确性。

    Feb, 2024

  • 全球神经天气模型预测严重对流环境的闪电快速暴风雨预警

    近期发布的一套人工智能气象模型能够在几秒钟内预测出与最先进的操作性预测相媲美的多天、中期天气预报，其在局部尺度和级数之间的竖直梯度上需要更高精度的精确性，根据 2020 年全球热点地区的季节性对流性能评估发现，Pangu-Weather、GraphCast 和 FourCastNet 等三个表现最佳的人工智能模型在 10 天的前导时间内，对 Convective Available Potential Energy（CAPE）和 Deep Layer Shear（DLS）的预测结果具有相对的准确性，而且 GraphCast 和 Pangu-Weather 在全球范围内表现最好，能够达到甚至超过 IFS 的性能水平，由于神经气象模型中从垂直压力粗糙层导出的 CAPE 缺乏数值模型的垂直细分辨率，目前的结果表明，人工智能模型中对 CAPE 的直接预测很有前景，这将为快速且低成本的严重天气现象预测开辟前所未有的机遇，通过推进人工智能模型的评估，朝着基于过程的评估方向发展，我们为基于人工智能的天气预报面向灾害驱动的应用奠定了基础。

    Jun, 2024

  • AI 模型对比基于物理模型的天气预报：以风暴 Ciarán 为例的量化评估案例研究

    机器学习模型和数值天气预报模型在模拟高影响天气事件方面的表现进行了比较，发现机器学习模型能准确捕捉到气旋的宏观结构，但在发出天气警报所需的细节结构方面表现较为复杂。

    Dec, 2023

  • 一种基于概率增强 LSTM 神经网络的极端自适应时间序列预测模型

    本篇论文提出一种名为 NEC + 的概率增强神经网络模型，该模型可以同时学习极端和正常预测函数，并通过选择性反向传播的方式在它们之间进行选择，从而解决时间序列预测中的极端事件和数据不平衡的问题，并在加利福尼亚的 9 个水库的困难的 3 天前每小时水位预测任务中展现出优异的表现和概括能力。

    Nov, 2022

  • 利用深度学习增强数值天气预报进行全球降水短期预测

    通过将深度学习和数值天气预报（NWP）相结合，我们提出了一种改进短期全球降水预报的混合模型，并证实其可显著提高预报技能和减小均值偏差。

    Jun, 2022